权益分类	功能权益	普通用户	{{item.name}}会员
{{category.name}}	{{benefitItem.name}}

Entwicklung von neuartigen Online-Verfahren zur optimalen Steuerung hybrider Antriebssysteme

开发用于混合动力驱动系统优化控制的新型在线流程

基本信息

批准号：
202140469
负责人：
Professor Dr.-Ing. Dirk Abel
金额：
--
依托单位：
Lehrstuhl und Institut für Regelungstechnik (IRT)
依托单位国家：
德国
项目类别：
Research Grants
财政年份：
2012
资助国家：
德国
起止时间：
2011-12-31 至 2015-12-31
项目状态：
已结题

来源：
https://gepris.dfg.de/gepris/projekt/202140469?language=en
关键词：
Entwicklung von neuartigen Online Verfahren

项目摘要

Hybride Antriebssysteme bestehen aus mindestens zwei Antriebsarten. Die Steuerung dieser Antriebssysteme hat die Aufgabe, die verfügbaren Antriebe zu jedem Betriebszeitpunkt derart zu kombinieren, dass die erforderliche Antriebskraft bereitgestellt und dabei der gesamte Energieverbrauch möglichst gering gehalten wird. Bisher existierende Betriebsstrategien sind stark von der Art des Systems, z.B. der Anordnung der Antriebe, abhängig. Unser interdisziplinäres Projekt verfolgt einen neuartigen und weitgehend systemunabhängigen Ansatz zur Optimierung der Steuerung von hybriden Antriebssystemen, der in mathematischen Modellen und realitätsnahen Simulationen evaluiert werden soll. Dieser Ansatz basiert auf der Kombination und Weiterentwicklung von Methoden aus der theoretischen Informatik, die erstmalig auf das Problem der Steuerung von hybriden Antriebssystemen angewandt werden. Insbesondere sollen nichtlineare Optimierungsverfahren sowie Methoden aus der Kontrolltheorie wie z.B. die flachheitsbasierte Optimierung mit Ansätzen des Online-Learnings verknüpft werden. Offline generierte Kontrollgesetze zur optimalen Steuerung stark vereinfachter Betriebsbereiche sollen online und ohne Vorabwissen über die Zukunft ausgewählt werden, so dass eine annähernd optimale Betriebsstrategie dynamisch gebildet wird. Die entwickelten Methoden sollen am Beispiel eines elektrischen Parallelhybridfahrzeugs getestet werden.

它是一种杂交种，是一种新型的杂交种。他说：“这是一项非常重要的工作，我们将继续努力，努力实现这一目标。首页--期刊主要分类--期刊细介绍--期刊题录与文摘--期刊详细文摘内容在数学建模和现实模拟中，我们不能对系统进行优化和优化，也不能用数学模型和现实模拟计算。从理论和信息的角度来看，这是一种新的方法和方法，也是一个新的问题。在这一点上，我们可以找到最好的方法和可控的理论。离线的总司令是最好的选择，而最好的选择是在线，也是最好的选择。这是一种新的方法和方法，但并不适用于其他动物。

项目成果

期刊论文数量（4）

专著数量（0）

科研奖励数量（0）

会议论文数量（0）

专利数量（0）

Energy Management of Parallel Hybrid Electric Vehicles based on Stochastic Model Predictive Control

DOI：
10.3182/20140824-6-za-1003.01329
发表时间：
2014
期刊：
IFAC Proceedings Volumes
影响因子：
0
作者：
Martina Josevski;D. Abel
通讯作者：
Martina Josevski;D. Abel

Multi-time scale model predictive control framework for energy management of hybrid electric vehicles

DOI：
10.1109/cdc.2014.7039774
发表时间：
2014-12
期刊：
53rd IEEE Conference on Decision and Control
影响因子：
0
作者：
Martina Josevski;D. Abel
通讯作者：
Martina Josevski;D. Abel

Learning-based control strategies for hybrid electric vehicles

基于学习的混合动力电动汽车控制策略

DOI：
10.1109/cca.2015.7320858
发表时间：
2015
期刊：
2015 IEEE Conference on Control Applications (CCA)
影响因子：
0
作者：
Geulen;Sascha ;Joševski;Martina ;Nellen;Johanna ;Janosch ;Lukas ;Wolters;Benedikt ;Abráham;Erika ;Walter
通讯作者：
Walter

A Genetic Algorithm based Control Strategy for the Energy Management Problem in PHEVs

基于遗传算法的插电式混合动力汽车能量管理问题控制策略